Розмітка даних Computer Vision: прелейблинг та контроль якості

Якісна розмітка CV-датасетів з прелейблингом

Погана розмітка — головна причина низької точності моделей Computer Vision. Один клієнт втратив 12% mAP через різницю в IoU між аннотаторами в 0.15. Це обійшлося в 90 000 гривень і два тижні донавчання. Ми займаємося розміткою CV-даних понад 5 років і виконали 50+ проєктів — від 100 до 100 000 зображень. Наші замовники економлять в середньому 60–75% часу порівняно з розміткою з нуля, що в грошовому вираженні становить десятки тисяч гривень на проєкт.

Проблеми, які ми вирішуємо

Узгодженість аннотаторів — ключовий фактор. IoU 0.65 між двома розмітниками на дрібних об'єктах — не рідкість. Якщо два bbox одного об'єкта розходяться на 20%, модель отримує суперечливий сигнал. Інша проблема — edge cases: часткова occlusion, низька роздільна здатність, нестандартні ракурси. Ми розробляємо онтологію класів і детальні інструкції, щоб мінімізувати variance. Для контролю якості використовуємо Inter-rater reliability — стандарт у медичній та промисловій розмітці.

Пропуск дефекту через неякісну розмітку може призвести до збитків у 200 000 гривень на донавчанні моделі. Тому ми впроваджуємо багаторівневий QA.

Порівняння інструментів розмітки — розмітка cv датасетів

CVAT обробляє великі датасети в 3 рази швидше за Label Studio завдяки вбудованій черзі завдань. А авторозмітка YOLO працює в 5 разів швидше за ручну розмітку. Label Studio виграє в гнучкості розмітки різнорідних сутностей.

Покроковий процес розмітки

1. Аналіз задачі – формалізація онтології класів, визначення складності.
2. Підготовка інструменту – налаштування CVAT або Label Studio, завантаження зображень, при необхідності розгортання GPU-сервера для авторозмітки.
3. Пілотна розмітка – 50–100 зображень для калібрування інструкцій.
4. Основна розмітка – паралельна робота аннотаторів з безперервним QA.
5. Експорт та верифікація – вивантаження в потрібному форматі, фінальний звіт з якості.

Як ми контролюємо узгодженість аннотаторів?

Ми використовуємо inter-annotator agreement з цільовим mean IoU > 0.80. При відхиленні повертаємо на дорозмітку. Senior-спеціаліст перевіряє кожен десятий об'єкт. Для великих проєктів впроваджуємо continuous QA.

import numpy as np
from itertools import combinations

def calculate_iou(box1: list, box2: list) -> float:
    inter_x1 = max(box1[0], box2[0])
    inter_y1 = max(box1[1], box2[1])
    inter_x2 = min(box1[2], box2[2])
    inter_y2 = min(box1[3], box2[3])

    if inter_x2 < inter_x1 or inter_y2 < inter_y1:
        return 0.0

    inter_area = (inter_x2 - inter_x1) * (inter_y2 - inter_y1)
    area1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
    area2 = (box2[2]-box2[0]) * (box2[3]-box2[1])

    return inter_area / (area1 + area2 - inter_area)

def inter_annotator_iou(annotations_by_annotator: dict) -> dict:
    annotators = list(annotations_by_annotator.keys())
    results = {}

    for a1, a2 in combinations(annotators, 2):
        boxes1 = annotations_by_annotator[a1]
        boxes2 = annotations_by_annotator[a2]

        ious = []
        for b1 in boxes1:
            best_iou = max(
                (calculate_iou(b1, b2) for b2 in boxes2),
                default=0.0
            )
            if best_iou > 0.1:
                ious.append(best_iou)

        results[f'{a1}_vs_{a2}'] = {
            'mean_iou': np.mean(ious) if ious else 0.0,
            'n_matched': len(ious)
        }

    return results

Auto-labeling для прискорення розмітки

Попередня авторозмітка моделлю + ручна коректура — стандарт для великих обсягів. Економія часу 60–75% при правильному виборі моделі. Один клієнт заощадив 3 місяці роботи двох спеціалістів, впровадивши наш пайплайн авторозмітки, що в грошовому еквіваленті склало 180 000 гривень. Загалом економія на проєкті може сягати 80 000 гривень.

from ultralytics import YOLO
import json

def auto_label_batch(
    image_paths: list[str],
    model_path: str = 'yolov8l-world.pt',
    conf_threshold: float = 0.5,
    output_format: str = 'yolo'
) -> dict:
    model = YOLO(model_path)
    results = {}

    for img_path in image_paths:
        preds = model.predict(
            img_path, conf=conf_threshold,
            verbose=False
        )[0]

        confident_boxes   = []
        needs_review_boxes = []

        for box in preds.boxes:
            conf = float(box.conf)
            entry = {
                'bbox': box.xyxy[0].tolist(),
                'class_id': int(box.cls),
                'confidence': conf
            }
            if conf > 0.7:
                confident_boxes.append(entry)
            else:
                needs_review_boxes.append(entry)

        results[img_path] = {
            'auto_labeled': confident_boxes,
            'needs_review': needs_review_boxes,
            'review_required': len(needs_review_boxes) > 0
        }

    return results

Формати експорту

Терміни та обсяги

Чому якість розмітки так важлива для Computer Vision?

Модель, навчена на зашумлених даних, дає хибні детекції або пропускає об'єкти. Наші замовники економлять тижні на донавчанні, отримуючи готовий датасет з гарантованою якістю. Ми беремо на себе онтологію класів, інструкції для аннотаторів, QA та експорт. Зв'яжіться, щоб обговорити ваш проєкт — ми підготуємо датасет з гарантією якості.

Що входить в роботу

• Аналіз задачі та розробка онтології класів
• Вибір інструменту та налаштування проєкту
• Пілотна розмітка для калібрування
• Основна розмітка з паралельним QA
• Експорт в потрібних форматах + звіт з якості
• Підтримка на етапі навчання моделі

Досвід нашої команди — 5+ років на ринку, 50+ успішних проєктів розмітки для Computer Vision. Ми гарантуємо узгодженість анотацій та дотримання термінів. Ми виконуємо розмітку під ключ: оцінимо ваш проєкт за 24 години. Напишіть нам для консультації — до 10 000 зображень за 2 тижні. Оцінимо проєкт безкоштовно.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.